본 논문은 그래프 구조 데이터를 다루는 머신러닝 예측 작업에서 널리 사용되는 그래프 신경망(GNNs)의 해석성 문제를 해결하기 위해 Shapley Interaction (SI)을 활용한 새로운 방법을 제시합니다. 기존 Shapley Value (SV)의 한계를 극복하고자, 노드 기여도와 다중 노드 간 상호작용을 정량화하는 SI를 GNN 예측에 적용합니다. GNN 아키텍처를 활용하여 노드 임베딩의 상호작용 구조가 그래프 예측에 보존됨을 보이고, 이를 통해 SI의 지수적 복잡도가 수용 영역(receptive fields)에만 의존하도록 합니다. 이를 바탕으로, 임의 차수의 SI를 정확하게 계산하는 효율적인 방법인 GraphSHAP-IQ를 제안합니다. GraphSHAP-IQ는 선형 전역 풀링 및 출력 계층과 함께 인기 있는 메시지 전달 기법에 적용 가능하며, 여러 벤치마크 데이터셋에서 정확한 SI 계산의 지수적 복잡도를 크게 줄입니다. 또한, 인기 있는 GNN 아키텍처에서 SI의 근사치를 평가하고 기존 기준과 비교하며, 실제 상하수도 네트워크 및 분자 구조의 SI를 SI-Graph를 사용하여 시각화합니다.
